Нейросеть для прогноза ВВП на C++ без TensorFlow: работает на Arduino за 400 рублей

Um desenvolvedor do Habr criou uma rede neural para prever a dinâmica do PIB inteiramente em C++20 — sem TensorFlow, PyTorch ou qualquer framework de terceiros. Toda a matemática foi escrita do zero, e o modelo resultante é capaz de funcionar em uma placa Arduino por 300–400 rublos com um limite de memória de 32 KB.

Por que abandonar Python

A abordagem padrão para modelagem macroeconômica pressupõe servidores poderosos e bibliotecas Python pesadas. TensorFlow e PyTorch se destacam em tarefas em larga escala, mas vêm com dezenas de gigabytes de dependências e exigem infraestrutura computacional completa. Para um data center corporativo isto é normal — para um dispositivo de campo ou microcontrolador orçamentário é uma barreira intransponível.

Placas Arduino com 32 KB de memória RAM e preço de 300–400 rublos não conseguem fisicamente executar um interpretador Python, quanto mais TensorFlow. A lacuna entre análise "inteligente" e hardware real de baixo custo parecia intransponível — até o autor decidir escrever tudo do zero. Toda a matemática das camadas neurais é implementada em C++20 puro sem dependências externas.

Para seleção rápida de pesos durante o treinamento em um PC, NVIDIA CUDA é conectada — apenas no estágio de desenvolvimento. O modelo treinado é exportado em um formato binário compacto e funciona em qualquer hardware, incluindo microcontroladores.

Arquitetura: do capital ao neurônio

A rede neural não simplesmente aproxima séries temporais — ela imita ciclos reais de circulação de capital. A estrutura da rede reflete a lógica econômica, não apenas padrões estatísticos nos números. Quatro camadas ocultas de uma rede não-linear comprimem para seis neurônios projetivos de acordo com a metodologia do Banco Mundial. Características técnicas principais:

• C++20 sem dependências externas — controle total de memória
• NVIDIA CUDA para acelerar o treinamento no estágio de desenvolvimento
• 4 camadas ocultas com funções de ativação não-lineares
• Compressão para 6 neurônios projetivos conforme metodologia BM
• Compatibilidade com Arduino com limite de memória de 32 KB

Seis neurônios de saída — não um número arbitrário: cada um corresponde a um dos indicadores-chave conforme a metodologia do Banco Mundial. Isto torna o modelo interpretável: um analista compreende qual fator influenciou a previsão, em vez de confiar cegamente em uma "caixa preta".

Redes neurais e macroeconomia: história

Redes neurais para previsão de PIB não são novidade. No final do século XX, Swanson e White foram entre os primeiros a provar: modelos não-lineares capturam melhor ciclos econômicos ocultos em dados americanos do que os lineares clássicos. Kuan e Liu demonstraram que a limpeza prévia de séries temporais antes de alimentá-las na rede reduz significativamente o erro de previsão.

No início dos anos 2000, Marcellino, Neusser e Wagner confirmaram a superioridade de redes multicamadas sobre ARIMA ao analisar o PIB de países europeus em horizontes longos. Lin e Chen desenvolveram um esquema de alternância de pesos que permite ao modelo reconhecer períodos de crise e mudanças estruturais na economia. Em 2024, Zhang e Bian conduziram testes em larga escala com dados da economia chinesa e confirmaram: funções de ativação não-lineares proporcionam uma vantagem sustentada no rastreamento das taxas de crescimento do PIB de longo prazo.

"Quatro camadas ocultas de uma rede não-linear comprimem para seis neurônios projetivos conforme a metodologia do

Banco Mundial" — assim o autor descreve a decisão arquitetônica central.

O que isto significa

O projeto prova: modelagem econômica séria não requer infraestrutura cara. Se a arquitetura for bem pensada, uma rede neural para previsão de PIB cabe em 32 KB e funciona em uma placa por 400 rublos. Para desenvolvedores de sistemas embarcados, este é um sinal direto: a fronteira entre IA macroeconômica e computação de borda é mais fina do que comumente se acredita.